Chapter 4 - Expert Systems

frogsspiffyAI and Robotics

Jul 18, 2012 (4 years and 11 months ago)

384 views

Artificial Intelligence
Copyright
Karim
Bouzoubaa
2
Introduction

SE:permet de capturer,de repr
é
senter,d

emmagasiner et
d

appliquer la K humaine
à
l

aide d

une machine

Moyen pratique de construire des experts automatis
é
s (l
à
o
ù
il y a
n
é
cessit
é
d

une exp
é
rience pratique)

Domaines d

application

M
é
decine

Gestion (Banques,Finances,Marketing)

Prospection min
é
ral
Artificial Intelligence
Copyright
Karim
Bouzoubaa
3

Logiciels
Traditionnels

Logiciels BC
Architecture G
é
n
é
rale
Donn
é
es
Et
R
é
sultats
Prog
(
Ens
de proc
é
dures)
BC
MI
(M
é
canisme
d

exploitation de la K)
Artificial Intelligence
Copyright
Karim
Bouzoubaa
4

Expert systems have been developed in the 1970s as
practical systems to reason on knowledge expressed in
terms of rules and facts as flat databases (triplets)

In the 1980s other knowledge representations have
been used with rules,i.e.semantic nets,frames,etc.

An expert systemis an automatic
reasoner
which is
based on the logic inference rule called
Modus
Ponens
Raisonnement dans les syst
è
mes experts
Artificial Intelligence
Copyright
Karim
Bouzoubaa
5
Architecture D
é
taill
é
e

The inference engine is the reasoning module which uses
Modus
Ponens
IF
P(x
) Then
Q(x
)
rule
P(a
)
fact
-----------------
(inference)
Q(a
)
deduced fact

The inference engine matches facts (
P(a
)) and rule premises (IF
P(x
)) to
deduce new facts
Q(a
)

It also chains rules:IF P Then Q and IF Q Then R
Artificial Intelligence
Copyright
Karim
Bouzoubaa
6

IU

Faciliter le dialogue (LN,graphique,etc.)

Possibilit
é
d

explication du syst
è
me

Permet de justifier ses conclusions

BC

R
è
gles de production

MI

Modes de raisonnement

Filtrage

Choix de r
è
gles
Architecture D
é
taill
é
e
Artificial Intelligence
Copyright
Karim
Bouzoubaa
7

K sous forme de r
è
gles de production

Transfert de la K d

un sp
é
cialiste vers une machine

Difficult
é
:les K d

un expert sont tr
è
s diverses

Sa fa
ç
on de raisonner

De prendre des d
é
cisions

De poser un diagnostic

D

acqu
é
rir de l

exp
é
rience

Formalisme

R
è
gle de production

est le plus utilis
é

Cause:les experts ont tendance
à
exprimer les K sous forme:
situation
-
> action
BC
Artificial Intelligence
Copyright
Karim
Bouzoubaa
8

Quelques exemples de r
è
gle
SI
un animal est d

une esp
è
ce donn
é
e
ET
cet animal a des petits
ALORS
les petits sont de la même esp
è
ce
SI
heure d
é
but travail > 19 h
ET
heure fin travail < 7 h
ALORS
horaire travail = horaire nuit
BC
Artificial Intelligence
Copyright
Karim
Bouzoubaa
9

Les + de ce formalisme

Exprimer des K tr
è
s vari
é
es

K d
é
claratives

Les r
è
gles sont ind
é
pendantes les unes des autres

La BC est constitu
é
e de granules de K

Divers types d

informations

Des inf
é
rences r
é
sultant d

observations sp
é
cifiques

Abstraction,g
é
n
é
ralisations et cat
é
gorisation de certaines
donn
é
es

Conditions n
é
cessaires pour r
é
aliser un but

Strat
é
gies pour
é
liminer l

incertitude

Causes probables de symptômes
BC
Artificial Intelligence
Copyright
Karim
Bouzoubaa
10

K sous formes de sch
é
mas

Frame
:structure permettant de d
é
crire un objet

Les + de ce formalisme

Permet de traduire la fa
ç
on typique dont les experts organisent la plupart
de leurs K

Fournit un moyen de repr
é
sentation structur
é
e de relations entre objets

Supporte une technique concise de d
é
finition par sp
é
cialisation qui est
facile
à
mettre en
œ
uvre pour la plupart des experts

Partage d

informations entre +
ieurs
sch
é
mas (h
é
ritage)

Attachement proc
é
dural

Les

de ce formalisme

Pas de moyen direct pour d
é
crire les K sous forme d
é
clarative
BC
Artificial Intelligence
Copyright
Karim
Bouzoubaa
11

On consid
è
re le cas des r
è
gles de production

Le MI d
é
cide

Quelles r
è
gles appliquer?

Dans quel ordre?

Utilisation de la BF avec son enrichissement

Les modes de raisonnement

De quelle mani
è
re le MI se sert des K mises
à
sa disposition

Deux modes de raisonnement

Cha
î
nage avant
:obtenir tous les faits d
é
ductibles jusqu
’à
arriver
à
la solution
(pas de focalisation sur le but)

Cha
î
nage arri
è
re
:remplacer l

hypoth
è
se par un ensemble de
sous
-
buts
(risque de bouclage)
MI
Artificial Intelligence
Copyright
Karim
Bouzoubaa
12

Introduction

Ensemble de r
è
gles candidates

Choix de la r
è
gle
à
d
é
clencher

Exemple

BR

R1
SI
animal a des plumes
ALORS
animal est un oiseau

R2
SI
animal vole
ET
animal pond des
œ
ufs
ALORS
animal est un oiseau

R3
SI
animal est un oiseau
ET
animal vol remarquable
ALORS
animal est un albatros

BF

F1
animal vole

F2
animal a des plumes

F3
animal a vol remarquable
MI
Artificial Intelligence
Copyright
Karim
Bouzoubaa
13

R1
SI
animal a des plumes
ALORS
animal est un oiseau

R2
SI
animal vole
ET
animal pond des
œ
ufs
ALORS
animal est un oiseau

R3
SI
animal est un oiseau
ET
animal vol remarquable
ALORS
animal est un albatros

Proposition:animal est un albatros

Cha
î
nage avant (
Forward
chaining
)
MI (
Cha
î
nage avant
)
animal vole
animal a des plumes
animal a vol remarquable
animal vole
animal a des plumes
animal a vol remarquable
animal est un oiseau
animal vole
animal a des plumes
animal a vol remarquable
animal est un oiseau
animal est un albatros
R1
R3
Artificial Intelligence
Copyright
Karim
Bouzoubaa
14

Forward
-
chaining
consists in starting from facts describing a situation and
using the rule base to try to deduce as many new facts as it is
possible
(saturation of the fact base).This is a direct use of the modus
ponens
inference rule

Example (Forward Chaining)

Facts:

b,c,m,n

Rules:

R1 IF a Then d And f

R2 IF b And d Then g And h

R3 IF f And e Then l And o

New fact1 (provided by user):a
Deduced facts:d,f,g,h

New fact2 (provided by user):e
Deduced facts:none

New fact3 (provided by user):a And e
Deduced facts:d,f,g,h,l,o
MI (Cha
î
nage avant )
Artificial Intelligence
Copyright
Karim
Bouzoubaa
15

R1
SI
animal a des plumes
ALORS
animal est un oiseau

R2
SI
animal vole
ET
animal pond des
œ
ufs
ALORS
animal est un oiseau

R3
SI
animal est un oiseau
ET
animal vol remarquable
ALORS
animal est un albatros

Proposition:animal est un albatros

Cha
î
nage arri
è
re (
Backward
chaining
)
MI (Cha
î
nage arri
è
re )
animal est un albatros
animal a vol remarquable
animal est un oiseau
animal a des plumes
animal vole
animal pond des
œ
ufs
R1
R3
R2
Artificial Intelligence
Copyright
Karim
Bouzoubaa
16

Backward
-
chaining
consists in setting an hypothetical fact (in Prolog terms we spe
ak
of a goal) and using the rule base and the inference engine to g
o backward and to try
to retrieve the facts in the fact base and the chain of rules th
at enable to deduce the
hypothetical fact

Example (Backward Chaining)

Facts:

b,c,m,n

Rules:

R1 IF a Then d And f

R2 IF b And d Then g And h

R3 IF f And e Then l And o

Hypothesis (submitted by user):f
Proof:No
Explanation:R1 cannot be triggered
Advice:Try to verify fact a

New fact (provided by user):a
Proof:f true (backward chaining)
Explanation:d And f true because rule R1 and fact a
Other deduced facts:g,h

In practice,most systems use both Forward and Backward
Chainings
MI (Cha
î
nage arri
è
re )
Artificial Intelligence
Copyright
Karim
Bouzoubaa
17

Op
é
ration de filtrage et strat
é
gie de choix de la r
è
gle
à
d
é
clencher

Comparaison de chacune des r
è
gles de la BC avec l

ens
des
faits

op
é
ration de filtrage (pattern
matching
)

Pas de solution id
é
ale pour le choix d

une seule r
è
gle
à
d
é
clencher

La 1
è
re

La plus simple

etc.
MI
D
é
terminer les r
è
gles pertinentes
par unification
Choisir une r
è
gle pertinente
Activer/Ex
é
cuter la r
è
gle choisie
Cycle g
é
n
é
ral
Artificial Intelligence
Copyright
Karim
Bouzoubaa
18

Syst
è
me de d
é
duction pour identifier des animaux (expert zoologiste)

Observer un animal

S
é
rie de questions

Identifier l

animal observ
é

Exemple d

interaction

SE:est
-
ce que l

animal a le corps poilu?

User:oui

SE:est
-
ce que l

animal a l

extr
é
mit
é
des pattes avec des griffes?

User:oui

SE:est
-
ce que l

animal a les yeux dirig
é
s vers l

avant?

User:oui

SE:est
-
ce que la forme des dents de l

animal est pointue?

User:oui

SE:est
-
ce que la couleur de l

animal est brune?

User:oui

SE:est
-
ce que l

animal la robe de l

animal pr
é
sente des raies noires?

User:oui

SE:D

apr
è
s mes K,l

animal est un tigre
Syst
è
mes de d
é
duction
Artificial Intelligence
Copyright
Karim
Bouzoubaa
19
Syst
è
mes de d
é
duction
SI animal est un
"
oiseau
"
ET nature du vol vaut
"
remarquable
"
ALORS animal est un oiseau albatros
SI animal est un
"
carnivore
"
ET couleur vaut
"
brune
"
ET robe vaut
"
raies noires
"
ALORS animal est un tigre
SI animal est un
"
carnivore
"
ET couleur vaut
"
brune
"
ET robe vaut
"
tâches noires
"
ALORS animal est un gu
é
pard
SI animal est un
"
mammif
è
re
"
ET extr
é
mit
é
s des pattes vaut
"
ongles
"
ALORS animal est un ongul
é
SI animal est un
"
mammif
è
re
"
ET direction des yeux vaut
"
en avant
"
ET forme des dents vaut
"
pointue
"
ET extr
é
mit
é
s des pattes vaut
"
griffes
"
ALORS animal est un carnivore
SI animal est un
"
mammif
è
re
"
ET nourriture de animal vaut
"
viande
"
ALORS animal est un carnivore
SI locomotion animal vaut
"
vole
"
ET reproduction de animal vaut
"
ponds des
œ
ufs
"
ALORS animal est un oiseau
SI corps animal vaut
"
plumes
"
ALORS animal est un oiseau
SI
nourriture_petit
de animal vaut
"
lait
"
ALORS animal est un mammif
è
re
SI animal est un
"
oiseau non volant
"
ET nature des pattes vaut
"
palm
é
es
"
ET couleur vaut
"noir et blanc"
ALORS animal est un pingouin
SI animal est un
"
oiseau
non
volant
"
ET nature de pattes vaut
"
longues
"
ET nature du cou vaut
"
long
"
ET couleur vaut
"noir et blanc"
ALORS animal est une autruche
SI animal est un
"
oiseau
"
ET locomotion animal vaut
"
nage
"
ALORS animal est un oiseau non volant
SI animal est un
"
oiseau
"
ET locomotion animal vaut
"
ne
vole pas
"
ALORS animal est un oiseau non volant
SI animal est un
"
ongul
é
"
ET couleur vaut
"
blanc
"
ET robe vaut
"
raies noires
"
ALORS animal est un
z
é
bre
SI animal est un
"
ongul
é
"
ET nature de pattes vaut
"
longues
"
ET nature du cou vaut
"
long
"
ET couleur vaut
"
brune
"
ET robe vaut
"
tâches noires
"
ALORS animal est une girafe
R10
R11
R12
R13
R14
R15
R16
SI corps animal vaut
"
poils
"
ALORS animal est un mammif
è
re
R1
R2
R3
R4
R5
R6
R7
R8
R9
Artificial Intelligence
Copyright
Karim
Bouzoubaa
20

MI cha
î
nage avant

Animal Observ
é
:
abcdef

M
é
moire de travail

Corps couvert vaut
"
poils
"

Extr
é
mit
é
s des pattes vaut
"
longues
"

Nature de cou vaut
"
long
"

Couleur vaut
"
brune
"

Robe vaut tâches
"
noires
"

abcdef
est une girafe (R1,R7,R10)
Syst
è
mes de d
é
duction
-
Exemple
Artificial Intelligence
Copyright
Karim
Bouzoubaa
21

MI cha
î
nage arri
è
re

Animal Observ
é
:
abcdef

Hypoth
è
se
à
v
é
rifier:
abcdef
est un gu
é
pard

M
é
moire de travail

Syst
è
mes de d
é
duction
-
Exemple
Artificial Intelligence
Copyright
Karim
Bouzoubaa
22
L

explication
B
B1
B2
B3
Comment(B) ==> B1

B2

B3
Pourquoi(B2) ==> B
Artificial Intelligence
Copyright
Karim
Bouzoubaa
23
Exemples de SE

La r
é
colte agricole

Aide au diagnostic

Aide
à
la d
é
cision dans l

identification des
micro
-
organismes responsables des infections:
MYCIN

Aide
à
la d
é
cision m
é
dicale:
SPHINX

Application pour diagnostiquer des maladies
attrap
é
es fr
é
quemment chez les crevettes
Artificial Intelligence
Copyright
Karim
Bouzoubaa
24

L

acte m
é
dical se d
é
compose en quatre temps:
1.
L

examen du patient
2.
L
’é
laboration du diagnostic
3.
La prescription th
é
rapeutique
4.
Le suivi de l
’é
volution

Les SE concernent les
é
tapes 2,3 & 4

Example
:A patient consults a physician for some illness

The physician asks the patient for data

symptoms and patient

s characteristics

Facts

The physician uses his/her medical knowledge (rules about sympto
ms and illnesses) to deduce new
facts (forward
-
chaining)

He can also set hypothesis (backward
chaining).Based on an hypothesis (

patient has the flu

),
the physician may ask questions to the patient to verify facts t
hat have not been identified
yet,or the physician may ask the patient to undergo tests to ve
rify some facts (Symptoms).
With all these facts the physician can deduce the patient

s illness (forward
-
chaining) with a
certain degree of certainty

When the physician has identified the patient

s illness,s/he uses his/her knowledge of cures
(rules about illnesses and medication) to prescribe some medicin
e to the patient (forward
-
chaining)
SE
-
M
é
dical
Artificial Intelligence
Copyright
Karim
Bouzoubaa
25

La possibilit
é
de maintenir et de manipuler un ensemble de concepts symbolique
s plutôt que de
simples nombres

En effet,le raisonnement clinique fait partie des questions de
jugement,de r
é
solution de probl
è
mes,de prise de
d
é
cision,de connaissances:domaine de l

IA

La possibilit
é
de communiquer avec le clinicien dans un langage voisin du lang
age naturel

La possibilit
é
d

expliquer le processus de raisonnement utilis
é

Important par ailleurs pour l

enseignement et le transfert d

expertise

Les domaines d

application des SE en m
é
decine sont nombreux:

L

aide an diagnostic

L

aide
à
l

enseignement

L

aide
à
la recherche (proposer des hypoth
è
ses qui constitueront des th
è
mes de recherche)

Le m
é
canisme
é
l
é
mentaire du raisonnement m
é
dical est l

abdution
,
e.g.
,

Du fait:
"
Un patient X pr
é
sente un ict
è
re
"

et de la r
è
gle:
"
Si un patient a une h
é
patite,alors il pr
é
sente un ict
è
re
"

on inf
è
re:
"
Le patient X a
peut être
une h
é
patite
"
SE
-
M
é
dical
Artificial Intelligence
Copyright
Karim
Bouzoubaa
26

Le
‘‘
peut être
’’
dans l

inf
é
rence:

Connaissance incompl
è
te

Qualit
é
incertaine de l

information recueillie

Interactions m
é
dicamenteuses qui peuvent alt
é
rer les r
é
sultats de
laboratoire

Subjectivit
é
du m
é
decin

Angoisse du patient

etc.,

Plusieurs
é
tudes ont montr
é
que le clinicien g
é
n
è
re tr
è
s tôt un petit
nombre d

hypoth
è
ses bas
é
s sur un nombre tr
è
s limit
é
de donn
é
es
SE
-
M
é
dical
Artificial Intelligence
Copyright
Karim
Bouzoubaa
27
SPHINX
Application pour diagnostiquer des maladies attrap
é
es
fr
é
quemment chez les crevettes
Artificial Intelligence
Copyright
Karim
Bouzoubaa
28
SPHINX
Algorithme
d

inf
é
rence
ad
-
hoc
(AIA)
Entr
é
e:Des
symptômes
inhabituels
des
crevettes
Sortie:
Maladie
diagnostiqu
é
e
avec le
taux
de diagnostic
correspondant
D
é
but
(0)
D
é
finir
les
fonctions
alg
é
briques
n
é
cessaires
et
v
é
rifier
les
m
é
tar
è
gles
pour
d
é
duire
que
les
crevettes
sont
malades
ou
non
(I)
Si
les
crevettes
sont
malades
alors
D
é
but
-
Choisir
le
chemin
de
d
é
duction
selon
quatre
maladies
propos
é
es
-
Entrer
les
faits
et
activer
la base de
r
è
gles
-
Inf
é
rer
selon
le module
d

inf
é
rence
choisi
-
Si
on
trouve
la solution
alors
on
affiche
les
r
é
sultats
-
Sinon
alors
le
syst
è
me
d
é
clare
la solution non
trouv
é
e
Fin
Fin
Si
;
(II)
Sinon
-
V
é
rifier
si
les
symptômes
inhabituels
sont
issus
de la pollution
Fin.
Artificial Intelligence
Copyright
Karim
Bouzoubaa
29
SPHINX
Artificial Intelligence
Copyright
Karim
Bouzoubaa
30

But d

un SE de gestion:Aider les responsables des entreprises
à
prendre des d
é
cisions afin de r
é
soudre des probl
è
mes complexes
avec la comp
é
tence d

un expert en gestion

Besoin de SE
-
G des entreprises pour:

La gestion du personnel (recrutement,affectation,mutation,
pr
é
vision)

La gestion financi
è
re (analyse financi
è
re)

Le marketing

Gestion de portefeuilles

Aider le personnel d

une banque
à
conseiller la client
è
le en mati
è
re
de placements

Orienter les d
é
cisions de prêts
à
partir d

un diagnostic complet des
forces et des faiblesses de l

entreprise
SE
-
Gestion
Artificial Intelligence
Copyright
Karim
Bouzoubaa
31
D
é
monstration
-
SE de zoologie